RDBU| Repositório Digital da Biblioteca da Unisinos

Auxiliando o diagnóstico clínico de glaucoma a partir da segmentação e classificação automatizada de imagens de fundo de olho

Mostrar registro simples

Autor Ceschini, Lucas Mayer;
Orientador Ramos, Gabriel de Oliveira;
Lattes do orientador http://lattes.cnpq.br/9281736089055094;
Instituição Universidade do Vale do Rio dos Sinos;
Título Auxiliando o diagnóstico clínico de glaucoma a partir da segmentação e classificação automatizada de imagens de fundo de olho;
Resumo Glaucoma é o maior responsável pela perda irreversível de visão, sendo a segunda maior causa de cegueira no mundo. Sua natureza discreta faz com que os primeiros sinais surjam apenas em um estado avançado da doença, quando não há mais volta. O diagnóstico prévio é de suma importância, e atualmente é realizado, principalmente, via exames de fundo de olho, de pressão intraocular, ou de tomografia da retina, sendo que o primeiro é o mais po pular e acessível. O exame de fundo de olho é um procedimento manual e tedioso, propenso a erros que podem resultar em falsos negativos, por sua vez implicando em perda de visão. Para combater este problema, soluções tecnológicas estão sendo estudadas. Abordagens clássicas de aprendizado de máquina, como Support Vector Machine, são utilizadas para classificar entre glaucoma ou normal com auxílio de técnicas de visão computacional. Abordagens de apren dizado profundo são utilizadas para classificar puramente a partir da imagem de fundo de olho ou de tomografia computadorizada. Aparelhos capazes de registrar digitalmente a imagem de fundo de olho já são largamente utilizados e, em conjunto com sistemas inteligentes capazes de aprender a classificar sozinhos essas imagens, torna-se possível projetar uma ferramenta de auxílio ao diagnóstico de doenças oculares, como o glaucoma por exemplo. Este estudo tem como base uma arquitetura composta por duas redes de segmentação e uma rede de classifi cação, que, além de darem o seu diagnóstico, apresentam ao especialista uma representação visual das estruturas oculares detectadas, o cálculo da relação escavação/disco, métrica de suma importância para o diagnóstico de glaucoma, e também a confiança do sistema naquela pre dição. As contribuições do presente estudo são duplas: A adição de um segundo subsistema classificador, e a união dos dois subsistemas de segmentação. Os resultados são promissores e abrem espaço para discussões futuras. A adição de um novo sistema de classificação, e o posterior agrupamento deste com o classificador atual, aumentou a sensitividade em 3%, signi ficando uma expressiva redução na taxa de falsos negativos. A união das redes de segmentação, mesmo que sem apresentar melhorias nas métricas avaliadas, foi capaz de simplificar a arquite tura do modelo, reduzindo a quantidade total de parâmetros do modelo em 50%, de 4.899.206 para 2.449.603. Reduziu também o seu custo de armazenamento e processamento, alcançando os mesmos níveis de eficácia que as redes individuais, tendo como consequência apenas um aumento no número de épocas necessárias de treinamento, indo de 100 para 300 épocas.;
Palavras-chave Glaucoma; Aprendizado de máquina; Visão computacional; Fundoscopia;
Tipo TCC;
Data de defesa 2021-12-10;
URI http://www.repositorio.jesuita.org.br/handle/UNISINOS/11969;
Nivel Graduação;
Curso Ciência da Computação;


Arquivos deste item

Icon
Nome: Lucas Mayer Cesch ...
Tamanho: 1.267Mb
Formato: PDF
Descrição: auxiliando_diagnostico
Visualizar/Abrir

Este item aparece na(s) seguinte(s) coleção(s)

Mostrar registro simples

Buscar

Busca avançada

Navegar

Minha conta

Estatística